CN116485049A - 一种基于人工智能的电能计量误差预测与优化系统 - Google Patents

一种基于人工智能的电能计量误差预测与优化系统 Download PDF

Info

Publication number
CN116485049A
CN116485049A CN202310748466.9A CN202310748466A CN116485049A CN 116485049 A CN116485049 A CN 116485049A CN 202310748466 A CN202310748466 A CN 202310748466A CN 116485049 A CN116485049 A CN 116485049A
Authority
CN
China
Prior art keywords
error
electric energy
energy metering
time
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310748466.9A
Other languages
English (en)
Other versions
CN116485049B (zh
Inventor
侯忠海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Yinhe Power Instruments And Meters Stock Co ltd
Original Assignee
Luliang Comprehensive Inspection And Testing Center
Foshan Longsheng Guangqi Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Luliang Comprehensive Inspection And Testing Center, Foshan Longsheng Guangqi Technology Co ltd filed Critical Luliang Comprehensive Inspection And Testing Center
Priority to CN202310748466.9A priority Critical patent/CN116485049B/zh
Publication of CN116485049A publication Critical patent/CN116485049A/zh
Application granted granted Critical
Publication of CN116485049B publication Critical patent/CN116485049B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明提供了一种基于人工智能的电能计量误差预测与优化系统，包括数据获取模块、预测模块和优化模块；所述数据获取模块用于获取电能计量数据和误差影响参数，所述预测模块用于建立并训练误差预测模型，并将实时误差影响参数输入到训练好的误差预测模型中对实时电能计量数据误差进行预测；所述优化模块用于根据预测的实时电能计量误差对实时电能计量数据进行优化修正；本发明通过对各类误差影响参数进行有效的特征提取并通过误差预测模型对电能计量数据误差进行预测，保证了对于电能计量误差预测的鲁棒性和可靠性。

Description

一种基于人工智能的电能计量误差预测与优化系统
技术领域
本发明涉及电能计量领域，尤其涉及一种基于人工智能的电能计量误差预测与优化系统。
背景技术
电能计量是现代电力系统的基础之一，它对于电能的测量和计算具有至关重要的作用。然而，由于电力系统中存在诸多复杂的因素，如电网负载变化、电力质量波动、电器设备老化等，电能计量中存在误差是不可避免的；因此，需要对电能计量误差进行预测与优化以提高电能计量的精度和可靠性；现有的电能计量误差预测与优化系统多采用传统的数学模型，但这种方法的精度和鲁棒性有限；近年来，人工智能技术的发展为电能计量误差预测和优化提供了新的解决方案；例如利用机器学习算法对电能计量误差进行建模和预测，可以在减少人工干预的同时提高计量精度。
查阅相关已公开技术方案，如CN114329347B现有技术公开了一种电能表计量误差预测方法、装置及存储介质，该方法包括：获取电能表所处设备在一个周期内的历史温度，并对历史温度进行预处理，得到温度-时间曲线；根据温度-时间曲线构造温漂修正因子，并根据温漂修正因子建立改进的ARIMA预测模型；结合自相关分析和偏自相关分析拟定差分阶数，并基于AIC准则拟定自回归阶数、滑动平均阶数、温漂修正因子阶数，完成改进的ARIMA预测模型的定阶；拟定自回归阶数、滑动平均阶数、温漂修正因子阶数对应的系数，并将差分数据输入当前得到的改进的ARIMA预测模型，得到预测误差数据；该方案能够通过改进的ARIMA预测模型对电能表计量误差进行预测，提高电能表计量误差预测准确度；另一种典型的公开号为CN109061544A的现有技术公开了一种电能计量误差估计方法，方法步骤如下: 将电能计量装置测得的计量数据进行预处理，得到计量误差序列；对计量误差序列进行小波变换分解，得到多组误差序列分量；构建鲁棒极限学习机模型，将每组误差序列分量和测得的计量数据作为输入量加入鲁棒极限学习机模型中作为输入量，得到每组误差序列分量的误差预测值；将得到的误差预测值相加，预测得到新一代误差值；将误差值进行预处理，得到新的计量误差序列，更新测得的计量数据，进行迭代更新，循环预测；上述方案没有对与电能计量误差相关的多种因素进行具体化的分析，对于电能计量误差预测的鲁棒性和可靠性较差。
发明内容
本发明的目的在于，针对目前所存在的不足，提出了一种基于人工智能的电能计量误差预测与优化系统。
本发明采用如下技术方案：
一种基于人工智能的电能计量误差预测与优化系统，包括数据获取模块、预测模块和优化模块；
所述数据获取模块用于获取电能计量数据和误差影响参数，所述电能计量数据包括实时电能计量数据和历史电能计量误差数据，所述误差影响参数包括实时误差影响参数和历史误差影响参数；所述预测模块用于根据历史电能计量误差数据和历史误差影响参数建立并训练误差预测模型，并将实时误差影响参数输入到训练好的误差预测模型中对实时电能计量数据误差进行预测；所述优化模块用于根据预测的实时电能计量误差对实时电能计量数据进行优化修正；
所述数据获取模块包括数据采集模块和历史数据获取模块，所述数据采集模块用于获取实时电能计量数据和实时误差影响参数，所述历史数据获取模块用于获取历史电能计量误差数据和历史误差影响参数；
进一步的，所述预测模块还包括模型训练单元，所述预测模块包括特征提取单元，所述特征提取单元用于提取误差影响参数的特征，所述模型训练单元用于建立误差预测模型，并基于历史误差影响参数的特征和历史电能计量误差数据对误差预测模型进行训练；所述误差预测单元用于将实时误差影响参数输入训练好的误差预测模型中获取预测的实时电能计量数据误差；
进一步的，所述误差影响参数包括环境温度、环境湿度、运行电压、负荷电流和运行时间；
进一步的，所述特征提取单元提取历史误差影响参数的特征作为误差预测模型在训练时的输入，所述特征提取单元提取实时误差影响参数的特征作为误差预测模型在误差预测时的输入；
所述特征提取单元对于不同种类的误差影响参数采取不同的特征处理方式，对于环境温度,生成环境温度特征为关于低温、正常温度和高温的隶属度值，如下式所示：
；
；
；
其中，为实时环境温度，/>为低温的隶属度值，/>为正常温度的隶属度值，/>为高温的隶属度值；
对于环境湿度，生成环境湿度特征为关于高湿度、正常湿度和低湿度的隶属度值，如下式所示：
；
；
；
其中，为实时环境湿度，/>为低湿度的隶属度值，/>为正常湿度的隶属度值，/>为高湿度的隶属度值；
对于运行电压，生成运行电压特征为关于高电压、正常电压和低电压的隶属度值，如下式所示：
；
；
；
其中，为实时运行电压，/>为额定电压，/>为低电压的隶属度值，/>为正常电压的隶属度值，/>为高电压的隶属度值；
对于负荷电流，生成负荷电流特征为关于高电流、正常电流和低电流的隶属度值，如下式所示：
；
；
；
其中，为实时负荷电流，/>为额定电流，/>为低电流的隶属度值，/>为正常电流的隶属度值，/>为高电流的隶属度值；
对于运行时间，生成运行时间特征为关于破损程度的隶属度值，如下式所示：
；
其中，为运行时间，/>为额定寿命，/>为破损程度的隶属度值；
进一步的，所述模型训练单元建立的误差预测模型为BP神经网络模型，并将历史电能计量误差数据和历史误差影响参数作为训练集对误差预测模型进行训练从而对模型参数进行优化，优化的具体方式满足：
建立一个由个粒子组成的粒子群，q为随机数，其中每个粒子表示为一个多维向量，向量中各元素代表需要进行优化的各模型参数，把每个粒子代入本误差预测模型中，计算每个粒子的适应度值/>：
；
其中，为训练集中训练样本总数，/>为第/>个训练样本的期望输出，/>为第/>个训练样本的实际输出；
根据适应度值对粒子进行不断的迭代更新，直至迭代步数达到最大迭代步数，满足：
；
；
其中，为当前迭代步数，/>为第/>个粒子的当前速度，/>为惯性因子，/>和/>为学习因子，/>和/>为分布在/>内的随机数，/>为第/>个粒子在截止到当前迭代步数内搜索到的最佳位置，/>为第/>个粒子当前所在位置，/>为粒子群在截止到当前迭代步数内搜索到的最佳位置，/>为第/>个粒子的下一步速度，/>为第/>个粒子的下一步位置；当迭代步数达到最大迭代步数时，输出此时全局中的最佳位置作为最优解，最优解即为优化后的各模型参数；
进一步的，对于惯性因子满足下式：
；
其中，为最小惯性权重，/>为最大惯性权重，/>为最大迭代步数。
本发明所取得的有益效果是：
本发明通过数据获取模块用于获取电能计量数据和误差影响参数，误差影响参数包括多种不同类型参数，保障了对于电能计量误差分析的全面性；
本发明对于各类误差影响参数根据其性质不同，采取不同的特征提取方式生成各类特征的隶属度值，提高了模型对于各类特征的识别程度；
通过对误差预测模型的参数的优化，有效避免训练过程中模型陷入局部最优解，改善了模型的收敛性能，保障了模型预测的准确性；
通过优化模块根据预测的实时电能计量误差对实时电能计量数据进行优化修正，降低了能源监管成本，减少了电能计量误差造成的经济损失。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1为本发明整体模块示意图。
图2为本发明误差预测模型结构示意图。
图3为本发明误差预测模型的建立及训练流程示意图。
图4为本发明模型参数优化流程示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明；对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见；旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内；包括在本发明的范围内，并且受所附权利要求书的保护；在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位，以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例一：如图1所示，本实施例提供一种基于人工智能的电能计量误差预测与优化系统，包括数据获取模块、预测模块和优化模块；
所述数据获取模块用于获取电能计量数据和误差影响参数，所述电能计量数据包括实时电能计量数据和历史电能计量误差数据，所述误差影响参数包括实时误差影响参数和历史误差影响参数；所述预测模块用于根据历史电能计量误差数据和历史误差影响参数建立并训练误差预测模型，并将实时误差影响参数输入到训练好的误差预测模型中对实时电能计量数据误差进行预测；所述优化模块用于根据预测的实时电能计量误差对实时电能计量数据进行优化修正；
所述数据获取模块包括数据采集模块和历史数据获取模块，所述数据采集模块用于获取实时电能计量数据和实时误差影响参数，所述历史数据获取模块用于获取历史电能计量误差数据和历史误差影响参数；
所述预测模块包括特征提取单元、模型训练单元和误差预测单元，所述特征提取单元用于提取误差影响参数的特征，所述模型训练单元用于建立误差预测模型，并基于历史误差影响参数的特征和历史电能计量误差数据对误差预测模型进行训练；所述误差预测单元用于将实时误差影响参数输入训练好的误差预测模型中获取预测的实时电能计量数据误差；
所述误差影响参数包括环境温度、环境湿度、运行电压、负荷电流和运行时间；
所述特征提取单元提取历史误差影响参数的特征作为误差预测模型在训练时的输入，所述特征提取单元提取实时误差影响参数的特征作为误差预测模型在误差预测时的输入；
所述特征提取单元对于不同种类的误差影响参数采取不同的特征处理方式，对于环境温度，生成环境温度特征为关于低温、正常温度和高温的隶属度值，如下式所示：
；
；
；
其中，为实时环境温度，/>为低温的隶属度值，/>为正常温度的隶属度值，/>为高温的隶属度值；值得注意的是，此处所指的隶属度值是指实时环境温度属于当前这个集合（低温/正常温度/高温）的确定度，特征提取过程需同时计算，即/>、/>、/>在特征提取时均要提取；
对于环境湿度，生成环境湿度特征为关于高湿度、正常湿度和低湿度的隶属度值，如下式所示：
；
；
；
其中，为实时环境湿度，/>为低湿度的隶属度值，/>为正常湿度的隶属度值，/>为高湿度的隶属度值；值得注意的是，此处所指的隶属度值是指实时环境湿度属于当前这个集合（低湿度/正常湿度/高湿度）的确定度，特征提取过程需同时计算，即/>、、/>在特征提取时均要提取；
对于运行电压，生成运行电压特征为关于高电压、正常电压和低电压的隶属度值，如下式所示：
；
；
；
其中，为实时运行电压，/>为额定电压，/>为低电压的隶属度值，/>为正常电压的隶属度值，/>为高电压的隶属度值；值得注意的是，此处所指的隶属度值是指实时运行电压属于当前这个集合（低湿度/正常湿度/高湿度）的确定度，特征提取过程需同时计算，即/>、/>、/>在特征提取时均要提取；
对于负荷电流，生成负荷电流特征为关于高电流、正常电流和低电流的隶属度值，如下式所示：
；
；
；
其中，为负荷电流，/>为额定电流，/>为低电流的隶属度值，/>为正常电流的隶属度值，/>为高电流的隶属度值；
对于运行时间，生成运行时间特征为关于破损程度的隶属度值，如下式所示：
；
其中，为运行时间，/>为额定寿命，/>为破损程度的隶属度值；
所述模型训练单元建立的误差预测模型为BP神经网络模型，并将历史电能计量误差数据和历史误差影响参数作为训练集对误差预测模型进行训练从而对模型参数进行优化，所述误差预测单元用于将实时误差影响参数的特征输入训练好的误差预测模型中获取预测的实时电能计量数据误差；所述优化模块用于根据预测的实时电能计量误差对实时电能计量数据进行优化修正。
本实施例对于各类误差影响参数根据其性质不同，采取不同的特征提取方式生成各类特征的隶属度值，提高了模型对于各类特征的识别程度；如对于环境温度，设置关于低温、正常温度和高温的隶属度值，因电能计量在温度区间为低温与正常温度的区间、高温与正常温度的区间内的误差变化较大，在低温与正常温度的区间、高温与正常温度的区间内设置S形的隶属度值曲线，加强了网络模型的识别与现实实际情况的联系程度。
实施例二：本实施例应当理解为至少包含前述任一一个实施例的全部特征，并在其基础上进一步改进；
如图2、图3、图4所示，本实施例提供一种基于人工智能的电能计量误差预测与优化系统，包括数据获取模块、预测模块和优化模块；所述系统通过预测模块中误差预测模型对电能计量误差进行预测，所述误差预测模型为BP神经网络结构模型；
所述误差预测模型的建立及训练流程如下：
S1：建立误差预测模型结构：设置本误差预测模型为四层结构，包括输入层、特征层、隐藏层和输出层，输入层的节点数量为5个，分别代表环境温度、环境湿度、运行电压、负荷电流和运行时间，特征层的节点数量为13个，分别为、/>、/>、/>、/>、/>、、/>、/>、/>、/>和/>；输出层的节点数量为1个，代表电能计量的误差，隐藏层节点数目/>为：
；
其中，为特征层节点数目，/>为输出层节点数目，/>为取值范围在/>内的常数，通过历史实验获得；
S2：确定激活函数：设置本误差预测模型中隐藏层和输出层的激活函数为sigmoid函数；
S3:训练优化模型参数：将历史电能计量误差数据和历史误差影响参数作为训练集对本误差预测模型进行训练从而对模型参数进行优化，将历史误差影响参数作为本误差预测模型在训练时的输入，将历史电能计量误差数据作为对应的期望输出；对模型参数优化的具体方式如下：
建立一个由个粒子组成的粒子群，q为随机数，其中每个粒子表示为一个多维向量，向量中各元素代表需要进行优化的各模型参数，随机设定各粒子的初始速度和初始位置，所述粒子的位置维数、粒子的速度维数均和粒子的维数相同，粒子的位置代表某个可行解，速度代表与下一个寻找到的可行解的差值；并设置各粒子的初始速度区间和位置区间，防止盲目搜索；
把每个粒子代入本误差预测模型中，计算每个粒子的适应度值：
；
其中，为训练集中训练样本总数，/>为第/>个训练样本的期望输出，/>为第/>个训练样本的实际输出；其中，所述本误差预测模型为待训练的初始误差预测模型；
根据粒子的适应度值对粒子进行不断的迭代更新，调整粒子的速度和位置，直至当前迭代步数达到最大迭代步数，对于粒子的速度和位置的调整满足：
；
；
其中，为当前迭代步数，/>为第/>个粒子的当前速度，/>为惯性因子，/>和/>为学习因子，设定/>，/>和/>为分布在/>内的随机数，/>为第/>个粒子在截止到当前迭代步数内搜索到的最佳位置，/>为第/>个粒子当前所在位置，/>为粒子群在截止到当前迭代步数内搜索到的最佳位置，/>为第/>个粒子的下一步速度，/>为第/>个粒子的下一步位置；所述最佳位置为训练结果与训练样本差值最小的位置；
对于惯性因子满足下式：
；
其中，为最小惯性权重，/>为最大惯性权重，/>为最大迭代步数；设定，/>，/>；
当迭代步数达到最大迭代步数时，输出此时全局中各模型参数对应的最佳位置作为最优解，最优解即为优化后的各模型参数。
本实施例通过对误差预测模型的参数的优化，改善了模型的收敛性能，保障了模型预测的准确性；通过设置动态的惯性因子在训练过程初期保证全局内搜索，有效避免训练过程中模型陷入局部最优解；在训练过程末期快速进入局部搜索，加快了模型收敛速度。
以上所公开的内容仅为本发明的优选可行实施例，并非因此局限本发明的保护范围，所以凡是运用本发明说明书及附图内容所做的等效技术变化，均包含于本发明的保护范围内，此外，随着技术发展其中的元素可以更新的。

Claims (6)

1.一种基于人工智能的电能计量误差预测与优化系统，包括数据获取模块、预测模块和优化模块；
所述数据获取模块用于获取电能计量数据和误差影响参数，所述电能计量数据包括实时电能计量数据和历史电能计量误差数据，所述误差影响参数包括实时误差影响参数和历史误差影响参数；所述预测模块用于根据历史电能计量误差数据和历史误差影响参数建立并训练误差预测模型，并将实时误差影响参数输入到训练好的误差预测模型中对实时电能计量数据误差进行预测；所述优化模块用于根据预测的实时电能计量误差对实时电能计量数据进行优化修正；
所述获取模块包括数据采集模块和历史数据获取模块，所述数据采集模块用于获取实时电能计量数据和实时误差影响参数，所述历史数据获取模块用于获取历史电能计量误差数据和历史误差影响参数。
2.根据权利要求1所述的一种基于人工智能的电能计量误差预测与优化系统，其特征在于，所述预测模块包括特征提取单元、模型训练单元和误差预测单元，所述特征提取单元用于提取误差影响参数的特征，所述模型训练单元用于建立误差预测模型，并基于历史误差影响参数的特征和历史电能计量误差数据对误差预测模型进行训练；所述误差预测单元用于将实时误差影响参数输入训练好的误差预测模型中获取预测的实时电能计量数据误差。
3.根据权利要求1所述的一种基于人工智能的电能计量误差预测与优化系统，其特征在于，所述误差影响参数包括环境温度、环境湿度、运行电压、负荷电流和运行时间。
4.根据权利要求1所述的一种基于人工智能的电能计量误差预测与优化系统，其特征在于，所述预测模块包括特征提取单元，所述特征提取单元提取历史误差影响参数的特征作为误差预测模型在训练时的输入，所述特征提取单元提取实时误差影响参数的特征作为误差预测模型在误差预测时的输入；
所述特征提取单元对于不同种类的误差影响参数采取不同的特征处理方式，对于环境温度，生成环境温度特征为关于低温、正常温度和高温的隶属度值，如下式所示：
；
；
；
其中，为实时环境温度，/>为低温的隶属度值，/>为正常温度的隶属度值，/>为高温的隶属度值；
对于环境湿度，生成环境湿度特征为关于高湿度、正常湿度和低湿度的隶属度值，如下式所示：
；
；
；
其中，为实时环境湿度，/>为低湿度的隶属度值，/>为正常湿度的隶属度值，为高湿度的隶属度值；
对于运行电压，生成运行电压特征为关于高电压、正常电压和低电压的隶属度值，如下式所示：
；
；
；
其中，为实时运行电压，/>为额定电压，/>为低电压的隶属度值，/>为正常电压的隶属度值，/>为高电压的隶属度值；
对于负荷电流，生成负荷电流特征为关于高电流、正常电流和低电流的隶属度值，如下式所示：
；
；
；
其中，为实时负荷电流，/>为额定电流，/>为低电流的隶属度值，/>为正常电流的隶属度值，/>为高电流的隶属度值；
对于运行时间，生成运行时间特征为关于破损程度的隶属度值，如下式所示：
；
其中，为运行时间，/>为额定寿命，/>为破损程度的隶属度值。
5.根据权利要求1所述的一种基于人工智能的电能计量误差预测与优化系统，其特征在于，所述预测模块还包括模型训练单元，所述模型训练单元建立的误差预测模型为BP神经网络模型，并将历史电能计量误差数据和历史误差影响参数作为训练集对误差预测模型进行训练从而对模型参数进行优化，优化的具体方式满足：
建立一个由个粒子组成的粒子群，q为随机数，其中每个粒子表示为一个多维向量，向量中各元素代表需要进行优化的各模型参数，把每个粒子代入本误差预测模型中，计算每个粒子的适应度值/>：
；
其中，为训练集中训练样本总数，/>为第/>个训练样本的期望输出，/>为第/>个训练样本的实际输出；
根据适应度值对粒子进行不断的迭代更新，直至迭代步数达到最大迭代步数，满足：
；
；
其中，为当前迭代步数，/>为第/>个粒子的当前速度，/>为惯性因子，/>和/>为学习因子，和/>为分布在/>内的随机数，/>为第/>个粒子在截止到当前迭代步数内搜索到的最佳位置，/>为第/>个粒子当前所在位置，/>为粒子群在截止到当前迭代步数内搜索到的最佳位置，/>为第/>个粒子的下一步速度，/>为第/>个粒子的下一步位置；当迭代步数达到最大迭代步数时，输出此时全局中的最佳位置作为最优解，最优解即为优化后的各模型参数。
6.根据权利要求1所述的一种基于人工智能的电能计量误差预测与优化系统，其特征在于，对于惯性因子满足下式：
；
其中，为最小惯性权重，/>为最大惯性权重，/>为最大迭代步数。
CN202310748466.9A 2023-06-25 2023-06-25 一种基于人工智能的电能计量误差预测与优化系统 Active CN116485049B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310748466.9A CN116485049B (zh) 2023-06-25 2023-06-25 一种基于人工智能的电能计量误差预测与优化系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310748466.9A CN116485049B (zh) 2023-06-25 2023-06-25 一种基于人工智能的电能计量误差预测与优化系统

Publications (2)

Publication Number Publication Date
CN116485049A true CN116485049A (zh) 2023-07-25
CN116485049B CN116485049B (zh) 2024-04-19

Family

ID=87219963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310748466.9A Active CN116485049B (zh) 2023-06-25 2023-06-25 一种基于人工智能的电能计量误差预测与优化系统

Country Status (1)

Country Link
CN (1) CN116485049B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131926A (zh) * 2023-10-24 2023-11-28 山东计保电气有限公司 一种基于数据存储的电能计量误差分析方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734135A (zh) * 2021-01-26 2021-04-30 吉林大学 一种电力负荷预测方法、智能终端及计算机可读存储介质
CN114399032A (zh) * 2022-03-23 2022-04-26 武汉格蓝若智能技术有限公司 一种电能表计量误差预测方法及系统
CN115018209A (zh) * 2022-08-08 2022-09-06 国网湖北省电力有限公司营销服务中心(计量中心) 一种数字化电能计量系统运行误差长期预测方法及设备
CN115932704A (zh) * 2022-10-31 2023-04-07 武汉理工大学 一种基于模型和数据双驱动的cvt误差测量方法及系统
CN116068481A (zh) * 2023-03-14 2023-05-05 国网福建省电力有限公司 一种电流互感器误差定量评估方法、系统、设备和介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734135A (zh) * 2021-01-26 2021-04-30 吉林大学 一种电力负荷预测方法、智能终端及计算机可读存储介质
CN114399032A (zh) * 2022-03-23 2022-04-26 武汉格蓝若智能技术有限公司 一种电能表计量误差预测方法及系统
CN115018209A (zh) * 2022-08-08 2022-09-06 国网湖北省电力有限公司营销服务中心(计量中心) 一种数字化电能计量系统运行误差长期预测方法及设备
CN115932704A (zh) * 2022-10-31 2023-04-07 武汉理工大学 一种基于模型和数据双驱动的cvt误差测量方法及系统
CN116068481A (zh) * 2023-03-14 2023-05-05 国网福建省电力有限公司 一种电流互感器误差定量评估方法、系统、设备和介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131926A (zh) * 2023-10-24 2023-11-28 山东计保电气有限公司 一种基于数据存储的电能计量误差分析方法

Also Published As

Publication number Publication date
CN116485049B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN110221225B (zh) 一种航天器锂离子电池循环寿命预测方法
CN109308522B (zh) 一种基于循环神经网络的gis故障预测方法
CN107918103B (zh) 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法
CN107145720B (zh) 连续退化和未知冲击共同作用下的设备剩余寿命预测方法
CN110943453B (zh) 面向迁移学习的电力系统故障样本生成和模型构建方法
CN111783953A (zh) 一种基于优化lstm网络的24点电力负荷值7日预测方法
CN110705760A (zh) 一种基于深度置信网络的光伏发电功率预测方法
CN116485049B (zh) 一种基于人工智能的电能计量误差预测与优化系统
CN112130086B (zh) 一种动力电池剩余寿命预测方法及系统
CN114386537A (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN113765880A (zh) 一种基于时空关联性的电力系统网络攻击检测方法
CN109066651A (zh) 风电-负荷场景的极限传输功率的计算方法
CN116862079B (zh) 一种企业污染物排放预测方法及预测系统
CN116046018B (zh) 一种应用于mems陀螺仪的温度补偿方法
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
Li et al. Research on SOC estimation of lithium battery based on GWO-BP neural network
CN116522594A (zh) 基于卷积神经网络的时间自适应暂态稳定预测方法及装置
CN115935811A (zh) 一种基于数学模型的分布式风电机组功率预测方法
CN115908051A (zh) 一种电力系统储能容量确定方法
CN115577290A (zh) 一种基于深度学习的配网故障分类及源定位方法
CN115481796A (zh) 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法
CN115101136A (zh) 一种大型铝电解槽全局阳极效应预测方法
CN114692729A (zh) 基于深度学习的新能源场站不良数据辨识与修正方法
CN114578249A (zh) 一种基于稳定特征和as-tcn模型的锂电池健康状态估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240401

Address after: No.2328, Biyuan Third Road, high tech Zone, Xi'an, Shaanxi 710000

Applicant after: Shaanxi Yinhe Power Instruments and Meters Stock Co.,Ltd.

Country or region after: China

Address before: Room A1108-6, Building 2, No. 1, Smart New City, Zhangcha Street, Foshan City, Guangdong Province, 528012 (Building T16)

Applicant before: FOSHAN LONGSHENG GUANGQI TECHNOLOGY CO.,LTD.

Country or region before: China

Applicant before: Luliang comprehensive inspection and Testing Center

GR01 Patent grant
GR01 Patent grant